2026年7月7日，路透社援引三位知情人士报道，DeepSeek已秘密推进自研AI推理芯片项目超过一年。次日，The Information跟进披露，智谱AI正在评估定制化AI芯片方案。两家中国头部的AI模型公司，在同一天被曝光了同一个战略转向——从做模型到做芯片。
这件事的意义不在于两家公司能不能成功造出芯片——芯片从设计到量产通常需要2-3年，结果远未可知。真正的意义在于：中国AI产业正在经历从"模型层竞争"到"全栈自主"的战略升级，而DeepSeek和智谱的造芯决策，是这个进程中迄今为止最明确的信号。
两条不同的造芯路径
虽然同是"造芯"，但DeepSeek和智谱选择了截然不同的路径。
DeepSeek的项目推进更深、定位更明确。据路透社报道，该项目大约在一年前就已秘密启动，核心定位是**推理专用芯片**——不是用来训练下一代大模型的训练芯片，而是用来服务用户每一次提问、每一次对话的推理芯片。项目已与芯片设计公司、晶圆代工厂及存储厂商进行了多轮洽谈，近几个月还通过非公开渠道大规模招聘芯片设计工程师。
支撑这一计划的弹药是DeepSeek在2026年6月完成的首轮约510亿元人民币外部融资——这家此前多年拒绝外部投资的公司，第一次打开钱袋子，核心目标就明确锁定在自研AI芯片上。
这个选择的逻辑很清楚。训练芯片需要的是极致算力、超大显存、超高互联带宽——这些恰好是英伟达CUDA生态几十年积累的护城河所在，短期内几乎无法绕过。但推理芯片的核心需求是低延迟、高吞吐、低功耗、低成本——需求函数不一样了，技术参数的重心也就转移了。DeepSeek选择从推理切入，是在英伟达的护城河旁边开了一条新赛道。
智谱的路线更轻、更谨慎。据The Information报道，智谱目前仍处于"评估可行性"的早期阶段——与国内芯片设计厂商初步接触，讨论定制化ASIC（专用集成电路）的可能性。ASIC芯片的特点是针对特定算法和模型架构进行极致优化，性能效率远高于通用GPU，但灵活性和可编程性也相应降低——一旦模型架构重大升级，ASIC可能面临重新设计。
这两条路径反映了两种不同的造芯哲学。DeepSeek接近"全栈自主"——从算法到硬件到系统，自己掌控整个技术栈。智谱更接近"深度定制"——在不脱离现有芯片产业链的前提下，通过定制化设计最大化性能性价比。
为什么是推理芯片而不是训练芯片？
这是一个关键的技术判断。AI芯片分为两大场景：训练和推理。
训练芯片的壁垒极高。大模型训练需要成千上万颗芯片协同工作，对互联带宽、显存容量、功耗管理的要求都是顶级。英伟达在这个领域的主导地位靠的不是某一颗芯片特别强，而是CUDA软件生态+NVLink互联体系+超大显存方案的"三位一体"组合拳。打破这个壁垒，需要的不是一颗更好的芯片，而是一个完整的替代生态。
推理芯片的门槛相对可控。推理场景下，每颗芯片独立工作即可（不需要大规模互联），延迟和吞吐是核心指标而不是绝对峰值算力，功耗和成本控制比追求极致性能更重要。这些需求特征给非英伟达方案留出了差异化空间。
另外还有一个容易被忽视的因素：推理芯片的市场增速正在超过训练芯片。随着GPT-5.6、Claude Fable 5、GLM-5.2等模型的部署规模不断扩大，每天数十万亿token的推理需求量正在指数级增长。据OpenRouter数据显示，2026年6月-7月全球AI大模型周调用量已达46.7万亿词元，其中推理调用占绝对大头。训练是一次性投入，推理是持续性消耗——对于DeepSeek这样的API服务商来说，推理成本是运营支出的大头，自研推理芯片可以直接变成利润。
DeepSeek的"算法先于硬件"策略
DeepSeek造芯有一个独特的优势：它不是"先有芯片再适配算法"，而是"先有对算法的深刻理解再定制芯片"。
举一个具体例子。DeepSeek V3.1版本中引入了一种名为UE8M0的FP8数据格式——这是一种自定义的浮点数表示方法，可以在保持模型精度基本不变的前提下大幅降低计算量。当时业内就有分析师指出，这种"算法团队在写模型时就开始为硬件特性做准备"的做法，暗示了DeepSeek正在为自研芯片做技术储备。
传统的芯片设计流程是：芯片设计公司预测未来2-3年的算法需求→设计芯片架构→流片→等待算法模型适配。这个流程的致命缺陷是"预测可能出错"——你设计芯片时以为未来模型会用Transformer架构，但两年后MoE成了主流，你芯片里为注意力机制优化的大量晶体管就白费了。
但DeepSeek的路径正好相反：它的算法团队先搞清楚V3.1/V4模型的计算瓶颈到底在哪——哪些矩阵运算最耗时间、哪种内存访问模式是瓶颈、哪些算子可以融合减少延迟——然后芯片团队根据这些"一手需求"来设计硬件。这种"算法驱动硬件"的模式可以最大限度避免芯片设计中的浪费和误判。
当然，这个策略也有局限性。如果DeepSeek未来的模型架构发生重大变革（例如从Transformer转向完全不同的架构），今日为V4定制的芯片可能面临兼容性问题。但从技术演进的趋势看，Transformer系架构在可预见的未来仍将主导基础模型的底层设计，这个风险在短期内可控。
"全栈自主"的华为困境
讨论DeepSeek和智谱造芯，绕不开的一个参照物是华为。
华为是目前中国唯一在AI领域做到真正"全栈自主"的公司——从昇腾AI芯片到CANN计算框架到MindSpore深度学习框架再到盘古大模型。DeepSeek V4目前就部署在华为昇腾芯片上，且据报道适配效果不错。
如果DeepSeek自研芯片成功，它与华为的关系将从"客户-供应商"变为"竞争对手"。这里有一个微妙的三方博弈：DeepSeek需要华为昇腾来填补自研芯片投产前的2-3年窗口期，华为需要DeepSeek这样的明星客户来证明昇腾生态的价值。但如果2-3年后DeepSeek的芯片成功流片并开始替代昇腾，华为将失去一个关键的战略客户。
类似的关系也存在于智谱与华为之间。智谱目前主要使用华为芯片和其他国产芯片。如果智谱的定制ASIC成功量产，华为在国产AI芯片市场的份额将面临来自"自己客户"的侵蚀。
这种"客户变对手"的格局，在全球半导体历史上并非没有先例。苹果曾是三星最大的芯片代工客户（A系列处理器），后来苹果转向自研+台积电代工模式，三星失去了这个超级客户，但整个移动芯片市场的竞争烈度和技术迭代速度也因此大幅提升。
DeepSeek和智谱的造芯决策，会在多大程度上复制苹果的故事，目前还远未到可以下判断的时候。但有一点是确定的：中国AI产业的竞争维度正在从一维（模型能力）升级到三维（模型+芯片+系统），竞争的复杂度和不确定性都在指数级上升。
510亿怎么花？
DeepSeek首轮融资明确将自研芯片列为资金用途，这让"AI公司造芯烧多少钱"这个问题有了一个现实参照。
从行业经验来看，从零开始设计并流片一款AI推理芯片，大致需要以下几个成本项：
芯片设计：包括架构设计、逻辑设计、物理设计、验证等，团队规模和周期决定了总人力成本。按100-200人的芯片团队计算，2年的人力成本约5-10亿元人民币
EDA工具许可：芯片设计必需的电子设计自动化软件，国际主流工具（Synopsys、Cadence）年许可费可达数千万元至数亿元。如果受限于出口管制，可能需要切换到国产EDA工具，这会增加研发难度和周期
流片费用：在先进制程（7nm及以下）上流片一次的费用约为数千万至上亿美元。通常首款芯片需要2-3次流片才能达到设计目标
IP授权费：芯片中的功能模块（如PCIe接口、DDR内存控制器、SerDes高速接口）很多需要从第三方获取IP授权，费用视具体模块而定
量产成本：一旦芯片设计定型进入量产阶段，每颗芯片的制造成本（含晶圆、封装、测试）取决于制程节点和出货量
粗略估算，DeepSeek在芯片项目从启动到首款芯片量产的2-3年间，总投入可能在50-150亿元人民币之间。510亿的首轮融资确实为这个项目提供了充足的弹药——但不是无限的。半导体行业有一条铁律：没有任何一款芯片能保证一次成功。Intel、AMD都有过重大流片失败的教训。DeepSeek和智谱的造芯之路，才刚刚开始。

数据来源：
路透社2026年7月7日独家报道（DeepSeek自研芯片）
The Information 2026年7月8日报道（智谱评估造芯）
DeepSeek R1/V3.1/V4模型公开技术文档
OpenRouter 7月全球大模型调用量数据
华为昇腾、英伟达CUDA公开技术文档
风险提示：DeepSeek和智谱均未对造芯传闻做出官方回应。芯片项目的进度、投入和成功率仍存在极大不确定性。本文所有关于芯片项目成本的分析均为基于行业经验的估算，不代表任何一方的实际财务数据。